22451 पेपर
यह शोधपत्र हेल्महोल्ट्ज़-SDE (Helmholtz-SDE) प्रस्तुत करता है, जो एक सिमुलेशन-मुक्त वेरिएशनल इन्फरेंस एल्गोरिदम है जो निर्धारित मार्जिनल्स के अनुकूल पथ नियमों (path laws) पर अनुकूलन करके मौजूदा विधियों की प्रतिनिधित्व संबंधी सीमाओं को दूर करता है, जिससे काफी कम कम्प्यूटेशनल लागत के साथ सिमुलेशन-आधारित दृष्टिकोणों की सटीकता प्राप्त की जा सकती है।
यह शोध पत्र MRBrainS18 मेडिकल इमेज सेगमेंटेशन के लिए 3D ResNet-50 मॉडल पर अनुमानित मशीन अनलर्निंग (approximate machine unlearning) रणनीतियों का मूल्यांकन करता है, जो यह प्रदर्शित करता है कि नॉइज़ी लेबल (Noisy Label) रणनीति इष्टतम संतुलन प्रदान करती है क्योंकि यह रिटेन किए गए डेटा पर सटीकता को बनाए रखते हुए विस्मृत (forgotten) विषयों पर प्रदर्शन को महत्वपूर्ण रूप से कम करती है।
यह शोध पत्र मेडिकल इमेजिंग के लिए एक व्याख्यात्मक आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डिटेक्शन फ्रेमवर्क प्रस्तावित करता है जो क्लास-विशिष्ट कॉन्सेप्ट वेक्टर्स को निकालने के लिए स्पार्स ऑटोएनकोडर्स का लाभ उठाकर सुरक्षा को बढ़ाता है, और प्रतिनिधित्व संबंधी संरेखण (representational alignment) के आधार पर इन-डिस्ट्रीब्यूशन नमूनों को OOD विसंगतियों से अलग करने के लिए उनके विक्षोभ-प्रेरित स्थिरता (perturbation-induced stability) का उपयोग करता है।
यह शोध पत्र कैलिब्रेटेड वेरिएंस प्रोपेगेशन (CVP) का प्रस्ताव करता है, जो एक सैंपलिंग-मुक्त विधि है जो ट्रांसफॉर्मर्स और CNN जैसे आधुनिक डीप लर्निंग आर्किटेक्चर के लिए एकल फॉरवर्ड पास में कुशलतापूर्वक सुव्यवस्थित अनिश्चितता अनुमान उत्पन्न करती है, जो महंगी मोंटे कार्लो सैंपलिंग के समान सटीकता प्राप्त करते हुए कवरेज मेट्रिक्स में महत्वपूर्ण सुधार करती है।
यह शोध पत्र लेटेंट थॉट फ्लो (LTF) को प्रस्तुत करता है, जो एक ढांचा है जो तर्क को एक निरंतर GFlowNet का उपयोग करके परिवर्तनीय-लंबाई वाले निरंतर प्रक्षेप पथों (trajectories) के रूप में मॉडल करता है ताकि उत्तर की गुणवत्ता और कम्प्यूटेशनल लागत के बीच संतुलन को अनुकूलित किया जा सके, जिससे यह सटीकता और दक्षता दोनों में स्पष्ट चेन-ऑफ-थॉट (Chain-of-Thought) और मौजूदा लेटेंट रीजनिंग विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है जो स्केलेबल समानांतर रसायन विज्ञान गणनाओं के लिए रनटाइम मापदंडों की सटीक भविष्यवाणी करने हेतु एक्टिव और जनरेटिव लर्निंग को ग्रेडिएंट बूस्टेड रिग्रेशन ट्रीज़ के साथ जोड़ता है, जिससे लगभग पूर्ण सटीकता प्राप्त होती है और काफी कम प्रशिक्षण डेटा के साथ भी उच्च प्रदर्शन बना रहता है।
यह शोध पत्र जनरलइज़ेशन वाया इवोल्यूशनरी रिवॉर्ड शेपिंगिंग (GERS) का प्रस्ताव करता है, जो एक बाइलेवल ऑप्टिमाइज़ेशन फ्रेमवर्क है जो केवल स्केलर वैलिडेशन फीडबैक के आधार पर रिवॉर्ड शेपिंग पैरामीटर्स को अनुकूलित करने के लिए CMA-ES का उपयोग करके प्रतिबंधित परिदृश्यों में सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) के सामान्यीकरण को बढ़ाता है, जिससे यह वैलिडेशन वातावरणों तक ट्रेजेक्टरी एक्सेस की आवश्यकता के बिना मानक बेसलाइनों से बेहतर प्रदर्शन करता है और डोमेन रैंडमाइजेशन प्रदर्शन के बराबर पहुँचता है।
यह शोध पत्र "क्रिएटिव कोलिजन" (Creative Collision) को प्रस्तुत करता है, जो एक नवीन एक्टिवेशन स्टीयरिंग फ्रेमवर्क है जो विरोधी निर्देशकीय व्यक्तित्व वेक्टर्स (स्पिलबर्ग बनाम स्कॉर्सेसे) को सुपरइम्पोज़ करता है ताकि यह प्रकट किया जा सके कि एक व्यक्तित्व अक्सर दूसरे पर हावी हो जाता है, मध्यवर्ती मिश्रण विरोधाभासी रूप से सुसंगतता को बढ़ाता है, और दोनों नैतिक स्वर एक ही गहरे ट्रांसफॉर्मर लेयर में स्थानीयकृत होते हैं, जो नियंत्रणीय रचनात्मक सृजन के लिए प्रतिस्पर्धी अर्थपूर्ण दिशाओं की ज्यामिति के बारे में नई अंतर्दृष्टि प्रदान करता है।
यह शोध पत्र LiFT को प्रस्तुत करता है, जो ट्रांसफॉर्मर्स के लिए एक नवीन फाइन-ट्यूनिंग फ्रेमवर्क है जो मापदंडों और नियमितीकरण हाइपरपैरामीटरों के लिए वैलिडेशन-अवेयर लोकल डिसेंट दिशाओं की गणना करने के लिए बाइलेवल ऑप्टिमाइज़ेशन सेटअप के भीतर लीनियर प्रोग्रामिंग का लाभ उठाता है, जिससे बार-बार पूर्ण रिट्रेनिंग की आवश्यकता के बिना ओवरफिटिंग को प्रभावी ढंग से नियंत्रित किया जाता है और सामान्यीकरण (जनरलाइजेशन) में सुधार किया जाता है।
यह शोध पत्र यह प्रस्तावित करता है कि टोकन-स्तरीय शोर (token-level noise), अनुक्रम क्रमपरिवर्तन (sequence permutations) और लक्ष्य ऑफसेट भविष्यवाणी (target offset prediction) को डेटा ऑग्मेंटेशन तकनीकों के रूप में संयोजित करना ऑटोरेग्रेसिव लैंग्वेज मॉडल प्रीट्रेनिंग में ओवरफिटिंग को प्रभावी ढंग से कम करता है, जिससे निश्चित, डेटा-सीमित कॉर्पोरा पर उत्पादक मल्टी-एपॉक ट्रेनिंग सक्षम होती है।